Erste Schritte mit Data Wrangler

1. Schließen Sie jeden Schritt in Voraussetzungen ab.

2. Folgen Sie den Anweisungen unter Auf Data Wrangler zugreifen, um mit der Verwendung von Data Wrangler zu beginnen.

1. Um Data Wrangler verwenden zu können, benötigen Sie Zugriff auf eine Amazon Elastic Compute Cloud (Amazon EC2)-Instance. Weitere Informationen zur Verwendung von Amazon-EC2-Instances finden Sie unter Instances. Informationen dazu, wie Sie Ihre Kontingente einsehen und bei Bedarf eine Erhöhung des Kontingents beantragen können, finden Sie unter AWSService-Kontingente.

2. Konfigurieren Sie die in Sicherheit und Berechtigungen beschriebenen erforderlichen Berechtigungen.

3. Wenn Ihr Unternehmen eine Firewall verwendet, die den Internet-Datenverkehr blockiert, benötigen Sie Zugriff auf die folgenden URLs:

   • https://ui.prod-1.data-wrangler.sagemaker.aws/

   • https://ui.prod-2.data-wrangler.sagemaker.aws/

   • https://ui.prod-3.data-wrangler.sagemaker.aws/

   • https://ui.prod-4.data-wrangler.sagemaker.aws/

Gehen Sie wie folgt vor, um in Studio Classic auf Data Wrangler zuzugreifen.

1. Melden Sie sich bei Studio an. Weitere Informationen finden Sie unter Übersicht über die Domain von Amazon SageMaker AI.

2. Wählen Sie Studio.

3. Wählen Sie App starten.

4. Wählen Sie in der Auswahlliste Studio aus.

5. Wählen Sie das Symbol Startseite aus.

6. Wählen Sie Datenaus.

7. Wählen Sie Data Wrangler.

8. Sie können einen Data Wrangler-Flow auch erstellen, indem Sie wie folgt vorgehen.

   1. Wählen Sie in der Navigationsleiste oben die Option Datei aus.

   2. Wählen Sie Neu aus.

   3. Wählen Sie Data Wrangler Flow aus.

   

9. (Optional) Benennen Sie das neue Verzeichnis und die .flow-Datei um.

10. Wenn Sie eine neue .flow-Datei in Studio Classic erstellen, sehen Sie möglicherweise ein Karussell, das Sie mit Data Wrangler vertraut macht.

    Dies kann einige Minuten dauern.

    Diese Nachricht bleibt bestehen, solange die KernelGateway-App auf Ihrer Seite mit den Benutzer-Details Ausstehend ist. Um den Status dieser App zu sehen, wählen Sie in der SageMaker-AI-Konsole auf der Seite Amazon SageMaker Studio Classic den Namen des Benutzers aus, den Sie für den Zugriff auf Studio Classic verwenden. Auf der Seite mit den Benutzer-Details sehen Sie unter Apps eine KernelGateway-App. Warten Sie, bis dieser App-Status Bereit ist, um Data Wrangler zu verwenden. Dies kann etwa 5 Minuten dauern, wenn Sie Data Wrangler zum ersten Mal starten.

    

11. Wählen Sie zunächst eine Datenquelle aus und verwenden Sie sie, um einen Datensatz zu importieren. Weitere Informationen hierzu finden Sie unter Import.

    Wenn Sie einen Datensatz importieren, wird er in Ihrem Datenablauf angezeigt. Weitere Informationen hierzu finden Sie unter Einen Data Wrangler-Fluss erstellen und verwenden.

12. Nachdem Sie einen Datensatz importiert haben, leitet Data Wrangler automatisch den Datentyp in jeder Spalte ab. Wählen Sie + neben dem Schritt Datentypen und wählen Sie Datentypen bearbeiten aus.

    Wichtig

    Nachdem Sie Transformationen zum Schritt Datentypen hinzugefügt haben, können Sie Spaltentypen mithilfe von Update-Typen nicht massenweise aktualisieren.

13. Verwenden Sie den Datenablauf, um Transformationen und Analysen hinzuzufügen. Weitere Informationen hierzu finden Sie unter Daten transformieren und Analysieren und Visualisieren.

14. Um einen vollständigen Datenablauf zu exportieren, wählen Sie Exportieren und wählen Sie eine Exportoption. Weitere Informationen hierzu finden Sie unter Export.

15. Wählen Sie abschließend das Symbol Komponenten und Registrierungen und anschließend Data Wrangler aus der Dropdown-Liste aus, um alle von Ihnen erstellten .flow-Dateien anzuzeigen. Sie können dieses Menü verwenden, um Datenabläufe zu suchen und zwischen ihnen zu wechseln.

Importieren Sie den Titanic-Datensatz in Data Wrangler

1. Wählen Sie auf der Registerkarte Daten importieren die Schaltfläche Datenablauf oder wählen Sie die Registerkarte Importieren.

2. Wählen Sie Amazon S3.

3. Verwenden Sie die Tabelle Datensatz aus S3 importieren, um den Bucket zu finden, zu dem Sie den Titanic-Datensatz hinzugefügt haben. Wählen Sie die CSV-Datei des Titanic-Datensatzes aus, um den Bereich Details zu öffnen.

4. Unter Details sollte der Dateityp CSV lauten. Markieren Sie Erste Zeile ist Kopfzeile, um anzugeben, dass es sich bei der ersten Zeile des Datensatzes um eine Kopfzeile handelt. Sie können dem Datensatz auch einen freundlicheren Namen geben, z. B. Titanic-train.

5. Wählen Sie die Schaltfläche Import aus.

1. Wählen Sie in Ihrem Datenablauf das Pluszeichen + neben dem Schritt Datentyp aus und dann Analyse hinzufügen.

2. Wählen Sie im Bereich Analyse in der Dropdown-Liste die Option Tabellenübersicht aus.

3. Geben Sie der Tabellenübersicht einen Namen.

4. Wählen Sie Vorschau aus, um eine Vorschau der Tabelle anzuzeigen, die erstellt wird.

5. Wählen Sie Speichern, um sie in Ihrem Datenablauf zu speichern. Sie wird unter Alle Analysen angezeigt.

So löschen Sie die unbenutzten Spalten:

1. Öffnen Sie den Data Wrangler-Flow.

2. Es gibt zwei Knoten in Ihrem Data Wrangler-Flow. Wählen Sie + rechts neben dem Knoten Datentypen.

3. Wählen Sie Transformation hinzufügen aus.

4. Wählen Sie in der Spalte Alle Schritte die Option Schritt hinzufügen aus.

5. Wählen Sie in der Liste der Standardtransformationen die Option Spalten verwalten aus. Bei den Standardtransformationen handelt es sich um vorgefertigte, integrierte Transformationen. Vergewissern Sie sich, dass Spalte löschen ausgewählt ist.

6. Überprüfen Sie unter Zu löschende Spalten die folgenden Spaltennamen:

   • Kabine

   • Fahrkarte

   • Name

   • Geschwister

   • Pfirsich

   • home.dest

   • Boot

   • body

7. Wählen Sie Preview (Vorschau) aus.

8. Vergewissern Sie sich, dass die Spalten gelöscht wurden, und wählen Sie dann Hinzufügen.

1. Wählen Sie in der Spalte Alle Schritte die Option Schritt hinzufügen aus.

2. Wählen Sie in der Liste Benutzerdefinierte Transformation die Option Benutzerdefinierte Transformation aus.

3. Geben Sie einen Namen für Ihre Transformation ein und wählen Sie Python (Pandas) aus der Dropdown-Liste aus.

4. Geben Sie das folgende Python-Skript in das Code-Feld ein.

   cols = ['name', 'ticket', 'cabin', 'sibsp', 'parch', 'home.dest','boat', 'body']
   df = df.drop(cols, axis=1)

5. Wählen Sie Vorschau, um eine Vorschau der Änderung anzuzeigen, und wählen Sie dann Hinzufügen, um die Transformation hinzuzufügen.

1. Wählen Sie Fehlende Werte handhaben aus.

2. Wählen Sie für den Transformer die Option Drop missing aus.

3. Wählen Sie das Alter für die Eingabespalte aus.

4. Wählen Sie Vorschau aus, um den neuen Datenrahmen zu sehen, und wählen Sie dann Hinzufügen, um die Transformation zu Ihrem Schema hinzuzufügen.

5. Wiederholen Sie den Vorgang für fare.

1. Wählen Sie im Abschnitt Benutzerdefinierte Transformation die Option Python (Pandas) aus der Dropdown-Liste aus.

2. Geben Sie Folgendes in das Code-Feld ein.

   import pandas as pd
   
   dummies = []
   cols = ['pclass','sex','embarked']
   for col in cols:
       dummies.append(pd.get_dummies(df[col]))
       
   encoded = pd.concat(dummies, axis=1)
   
   df = pd.concat((df, encoded),axis=1)

3. Wählen Sie Vorschau, um eine Vorschau der Änderung anzuzeigen. Die codierte Version jeder Spalte wird dem Datensatz hinzugefügt.

4. Wählen Sie Hinzufügen, um die Transformation hinzuzufügen.

1. Wählen Sie im Abschnitt Benutzerdefinierte Transformation die Option SQL (PySpark SQL) aus der Dropdown-Liste aus.

2. Geben Sie Folgendes in das Code-Feld ein.

   SELECT survived, age, fare, 1, 2, 3, female, male, C, Q, S FROM df;

3. Wählen Sie Vorschau, um eine Vorschau der Änderung anzuzeigen. Die in Ihrer SELECT-Anweisung aufgeführten Spalten sind die einzigen verbleibenden Spalten.

4. Wählen Sie Hinzufügen, um die Transformation hinzuzufügen.

1. Speichern Sie Ihren Datenablauf. Wählen Sie Datei und dann Data Wrangler-Flow speichern aus.

2. Kehren Sie zur Registerkarte Datenablauf zurück, wählen Sie den letzten Schritt in Ihrem Datenablauf (SQL) aus und klicken Sie dann auf +, um die Navigation zu öffnen.

3. Wählen Sie Exportieren und Amazon S3 (über Jupyter Notebook) aus. Dadurch wird ein Jupyter Notebook geöffnet.

   

4. Wählen Sie einen beliebigen Python-3-Kernel (Data Science) für den Kernel.

5. Wenn der Kernel gestartet wird, führen Sie die Zellen im Notebook aus, bis Sie die SageMaker-Trainingsaufgabe starten (optional).

6. Optional können Sie die Zellen im SageMaker-Trainingsjob starten (optional) ausführen, wenn Sie einen SageMaker-Trainingsjob zum Trainieren eines XGBoost-Klassifikators erstellen möchten. Die Kosten für die Durchführung einer SageMaker-Trainingsaufgabe finden Sie in den Preise von Amazon SageMakern.

   Alternativ können Sie die in Training zu XGBoost Classifier enthaltenen Codeblöcke zum Notebook hinzufügen und sie ausführen, um die XGBoost-Open-Source-Bibliothek zum Trainieren eines XGBoost-Klassifikators zu verwenden.

7. Entfernen Sie den Kommentar aus der Zelle und führen Sie sie unter Cleanup aus, um das SageMaker Python-SDK auf seine ursprüngliche Version zurückzusetzen.

1. Aktualisieren Sie zunächst die erforderlichen Module mithilfe von pip und entfernen Sie die _SUCCESS-Datei (diese letzte Datei ist bei der Verwendung von awswrangler problematisch).

   ! pip install --upgrade awscli awswrangler boto sklearn
   ! aws s3 rm {output_path} --recursive  --exclude "*" --include "*_SUCCESS*"

2. Lesen Sie die Daten aus Amazon S3. Sie können awswrangler es verwenden, um alle CSV-Dateien im S3-Präfix rekursiv zu lesen. Die Daten werden dann in Funktionen und Beschriftungen aufgeteilt. Die Beschriftung ist die erste Spalte des Datenrahmens.

   import awswrangler as wr
   
   df = wr.s3.read_csv(path=output_path, dataset=True)
   X, y = df.iloc[:,:-1],df.iloc[:,-1]

   • Erstellen Sie abschließend DMatrices (die primitive XGBoost-Struktur für Daten) und führen Sie eine Kreuzvalidierung mithilfe der binären XGBoost-Klassifikation durch.

     import xgboost as xgb
     
     dmatrix = xgb.DMatrix(data=X, label=y)
     
     params = {"objective":"binary:logistic",'learning_rate': 0.1, 'max_depth': 5, 'alpha': 10}
     
     xgb.cv(
         dtrain=dmatrix, 
         params=params, 
         nfold=3,
         num_boost_round=50,
         early_stopping_rounds=10,
         metrics="rmse", 
         as_pandas=True, 
         seed=123)